Entropic Neural Optimal Transport via Diffusion Processes

要約

我々は、サンプルによってアクセス可能な連続確率分布間のエントロピー最適輸送（EOT）計画を計算するという基本的な問題に対する新しいニューラルアルゴリズムを提案します。
私たちのアルゴリズムは、シュレディンガー ブリッジ問題として知られる EOT の動的バージョンの鞍点再定式化に基づいています。
大規模な EOT のための従来の方法とは対照的に、私たちのアルゴリズムはエンドツーエンドであり、単一の学習ステップで構成され、推論手順が高速で、一部の分野で特に重要となるエントロピー正則化係数の小さな値を処理できます。
応用問題。
経験的に、いくつかの大規模な EOT タスクにおけるこのメソッドのパフォーマンスを示します。
https://github.com/ngushchin/EntropicNeuralOptimalTransport

要約(オリジナル)

We propose a novel neural algorithm for the fundamental problem of computing the entropic optimal transport (EOT) plan between continuous probability distributions which are accessible by samples. Our algorithm is based on the saddle point reformulation of the dynamic version of EOT which is known as the Schr\’odinger Bridge problem. In contrast to the prior methods for large-scale EOT, our algorithm is end-to-end and consists of a single learning step, has fast inference procedure, and allows handling small values of the entropy regularization coefficient which is of particular importance in some applied problems. Empirically, we show the performance of the method on several large-scale EOT tasks. https://github.com/ngushchin/EntropicNeuralOptimalTransport

arxiv情報

提供元, 利用サービス

arxiv.jp, Google